C5.0是决策树模型中的算法，79年由J R Quinlan发展，并提出了ID3算法，主要针对离散型属性数据，其后又不断的改进，形成C4.5，它在ID3基础上增加了队连续属性的离散化。 C5.0是C4.5应用于大数据集上的分类算法，主要在执行效率和内存使用方面进行了改进。 C4.5算法是ID3算法的修订版，采用GainRatio来加以改进方法，选取有最大GainRatio的分割变量作为准则，避免ID3算法过度配适的问题。
从这一章开始进入正式的算法学习。
首先我们学习经典而有效的分类算法：决策树分类算法。
1、决策树算法
决策树用树形结构对样本的属性进行分类，是最直观的分类算法，而且也可以用于回归。不过对于一些特殊的逻辑分类会有困难。典型的如异或（XOR）逻辑，决策树并不擅长解决此类问题。
决策树的构建不是唯一的，遗憾的是最优决策树的构建属于NP问题。因此如何构建一棵好的决策树是研究的重点。
J. Ross Quinlan在1975提出将信息熵的概念引入决策树的构建，这就是鼎鼎大名的ID3算法。后续的C4.5
ID3和C4.5决策树学习算法的实现
通过使用ID3和C4.5算法实现决策树并生成F1分数。
在UCI机器学习蘑菇数据集上进行测试
入门：将“ Project1_N01412075_Resubmission”文件夹下载到本地驱动器。
This folder has
1) Project1_Mushroom_DT_N01412075.py - A file that contains source code for the implementation.
2) Mushroom folder
决策树分类器
Umaindústriaquer resolver um problema em sua linha de transporte de caixas。 一份按比例分配的科教派临时教务书，按制造商分类或等级分类。 作为caixasserãoclassificadas com的体积：大（体积）= 27000立方厘米梅迪亚（体积）= 1000立方厘米中等强度27000cm³Pequena（体积）= 1000立方厘米中等问题的解决方法学习方法，按等级分类，按量计算，按基本成本计算，按比例分
